Patrón de inicio de sesión

Cada sesión de agente LLM debería seguir esta secuencia canónica de arranque. Omitir pasos lleva a perder contexto, mensajes perdidos y tareas olvidadas.

El patrón

1. Recall all memories
2. Poll for unread chat messages
3. Check in-progress tasks
4. Build context from results
5. Process pending items before new work

Implementación

Paso 1: Recuperar todas las memorias

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/memory/recall

Devuelve un resumen en texto plano de todas las memorias, ordenadas por prioridad.

Paso 2: Poll de mensajes de chat no leídos

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/chat/poll

Devuelve los mensajes no leídos del humano. Los marca automáticamente como leídos.

Paso 3: Comprobar tareas en progreso

curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     "https://synapse.schaefer.zone/mind/tasks?status=in_progress"

Devuelve las tareas en las que estaba trabajando en la última sesión.

Paso 4: Construir contexto

Combine las tres respuestas en su prompt del sistema:

def build_context(memories, messages, tasks):
    context = f"""# SESSION CONTEXT

## Memories (from previous sessions)
{memories}

## Unread Messages from Human
{format_messages(messages)}

## Active Tasks
{format_tasks(tasks)}

## Instructions
- Address unread messages first
- Resume active tasks before starting new work
- Store new learnings as they happen (POST /memory)
- Poll for new messages every 30-60 seconds
"""
    return context

Paso 5: Procesar elementos pendientes

For each unread message:
  - Acknowledge receipt (POST /chat/reply)
  - Address the message content
  - Store any new commitments as memories

For each in-progress task:
  - Recall why you were working on it
  - Continue from where you left off
  - Update task status as you progress

Ejemplo completo

import os
import requests

URL = "https://synapse.schaefer.zone"
KEY = os.environ["SYNAPSE_MIND_KEY"]

def session_start():
    """Canonical session start sequence."""
    headers = {"Authorization": f"Bearer {KEY}"}
    
    # 1. Recall memories
    r = requests.get(f"{URL}/memory/recall", headers=headers)
    memories = r.text
    
    # 2. Poll chat
    r = requests.get(f"{URL}/chat/poll", headers=headers)
    messages = r.json().get("messages", [])
    
    # 3. Check tasks
    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)
    tasks = r.json().get("tasks", [])
    
    # 4. Build context
    context = f"""You are a Synapse-enabled AI assistant.

MEMORIES FROM PREVIOUS SESSIONS:
{memories}

UNREAD MESSAGES FROM HUMAN:
{chr(10).join(f'- {m["content"]}' for m in messages) or 'None'}

ACTIVE TASKS:
{chr(10).join(f'- [{t["id"]}] {t["title"]}: {t.get("description", "")}' for t in tasks) or 'None'}

INSTRUCTIONS:
1. Acknowledge each unread message
2. Resume active tasks
3. Store new learnings via POST /memory
4. Poll /chat/poll every 30-60 seconds
"""
    return context

# At session start
system_prompt = session_start()
# Pass to LLM...

Errores comunes

Variaciones

Patrón mínimo (LLMs con poco contexto)

Para LLMs con ventanas de contexto pequeñas, omita el recall completo:

# Just get stats, not full content
curl -H "Authorization: Bearer $KEY" .../memory/stats

Luego busque temas específicos según sea necesario:

curl -H "Authorization: Bearer $KEY" ".../memory/search?q=current+project"

Patrón agresivo (agentes de larga duración)

Para agentes que se ejecutan durante horas, añada re-recall periódico:

while working:
    if time.time() - last_recall > 3600:  # every hour
        memories = recall()
        last_recall = time.time()
    # ... do work ...

Próximos pasos

• Estrategia de etiquetado de memoria
• Workflow basado en tareas
• Patrón de polling de chat